1 Introducción

Este documento es la memoria de nuestra práctica para la asignatura Aprendizaje Computacional de la Mención en Computación del Grado de Informática de la Universidad de Murcia.

El proyecto consiste en el estudio de diferentes modelos de aprendizaje automático. Para ello, se ha utilizado la base de datos Credit Approval de UC Irvine Machine Learning Repository, que contiene información sobre la concesión o denegación de créditos bancarios.

En primer lugar, se ha llevado a cabo un análisis exploratorio de la base de datos. Hemos identificado atributos numéricos y categóricos y hemos renombrado las columnas según la información que hemos encontrado en un repositorio de Kaggle. Hemos proseguido con una serie de análisis monovariable y multivariable discriminando entre créditos concedidos y denegados. Esto nos ha permitido hacernos una idea de la relación entre los diferentes atributos. Para cerrar esta sección, hemos probado un Análisis de Componentes Principales (PCA) para tener una referencia sencilla con la que comparar los modelos de aprendizaje.

Después del análisis, hemos probado diversos modelos de clasificación supervisada utilizando el lenguaje R y la librería caret, aplicando técnicas de preprocesado, ajuste de hiperparámetros y evaluación cruzada. El dataset se ha dividido en datos de entrenamiento y datos de test para comprobar la eficacia de los modelos. En total, se han probado cuatro algoritmos representativos de distintos paradigmas de aprendizaje automático.

2 Carga de los datos

Comenzamos instalando las librerías de R necesarias para la elaboración de la práctica. Entre las mismas, destacamos:

  • caret (Classification And REgresion Training): paquete para entrenar modelos de machine learning en R. Facilita, entre otros, el preprocesado de datos, la división de conjuntos de train/test, el ajuste de hiperparámetros…

  • tidyverse: colección de paquetes para ciencia de datos. Permite manipulación de datos, lectura de archivos y creación de gráficos.

  • ggplot2: creación de gráficos.

  • gridExtra: permite combinar varios ggplot en una sola figura.

También cargamos el dataset y vemos su contenido. Observamos una tabla de 690 filas y 16 columnas. Las columnas V1, V4, V5, V6, V7, V9, V10, V12, V13 y V16 contienen caracteres, lo que nos indica que son categóricas. El resto de columnas son numéricas.

if (!requireNamespace("caret", quietly = TRUE)) {
  install.packages("caret")
}
if (!requireNamespace("randomForest", quietly = TRUE)) {
  install.packages("randomForest")
}
if (!requireNamespace("doParallel", quietly = TRUE)) {
  install.packages("doParallel")
}
if (!requireNamespace("tidyverse", quietly = TRUE)) {
  install.packages("tidyverse")
}
if (!requireNamespace("ggplot2", quietly = TRUE)) {
  install.packages("ggplot2")
}
if (!requireNamespace("gridExtra", quietly = TRUE)) {
  install.packages("gridExtra")
}
if (!requireNamespace("GGally", quietly = TRUE)) {
  install.packages("GGally")
}


library(caret)
library(tidyverse)
library(ggplot2)
library(gridExtra)
library(GGally)

# Cargar dataset
url <- "https://archive.ics.uci.edu/static/public/27/credit+approval.zip"

# Download and unzip the dataset
temp <- tempfile()
download.file(url, temp)
unzip(temp, exdir = "./credit")
unlink(temp)  # Remove temporary file

credit <- read.table("./credit/crx.data", sep = ",", na.strings ="?")

summary(credit)
##       V1                  V2              V3              V4           
##  Length:690         Min.   :13.75   Min.   : 0.000   Length:690        
##  Class :character   1st Qu.:22.60   1st Qu.: 1.000   Class :character  
##  Mode  :character   Median :28.46   Median : 2.750   Mode  :character  
##                     Mean   :31.57   Mean   : 4.759                     
##                     3rd Qu.:38.23   3rd Qu.: 7.207                     
##                     Max.   :80.25   Max.   :28.000                     
##                     NA's   :12                                         
##       V5                 V6                 V7                  V8        
##  Length:690         Length:690         Length:690         Min.   : 0.000  
##  Class :character   Class :character   Class :character   1st Qu.: 0.165  
##  Mode  :character   Mode  :character   Mode  :character   Median : 1.000  
##                                                           Mean   : 2.223  
##                                                           3rd Qu.: 2.625  
##                                                           Max.   :28.500  
##                                                                           
##       V9                V10                 V11           V12           
##  Length:690         Length:690         Min.   : 0.0   Length:690        
##  Class :character   Class :character   1st Qu.: 0.0   Class :character  
##  Mode  :character   Mode  :character   Median : 0.0   Mode  :character  
##                                        Mean   : 2.4                     
##                                        3rd Qu.: 3.0                     
##                                        Max.   :67.0                     
##                                                                         
##      V13                 V14            V15               V16           
##  Length:690         Min.   :   0   Min.   :     0.0   Length:690        
##  Class :character   1st Qu.:  75   1st Qu.:     0.0   Class :character  
##  Mode  :character   Median : 160   Median :     5.0   Mode  :character  
##                     Mean   : 184   Mean   :  1017.4                     
##                     3rd Qu.: 276   3rd Qu.:   395.5                     
##                     Max.   :2000   Max.   :100000.0                     
##                     NA's   :13

3 Análisis Exploratorio de Datos (EDA)

La primera labor que debemos llevar a cabo al empezar a trabajar con un dataset desconocido es entender la información que este contiene. En esta fase, conocida como Análisis Exploratorio de Datos, llevaremos a cabo las siguientes tareas:

  • Etiquetado de los atributos: en vista de la ausencia de etiquetas interpretables para los atributos del dataset, en esta primera etapa hemos buscado entender el significado de cada uno de ellos y renombrarlos de manera más intuitiva.

  • Análisis monovariable: a continuación, hemos analizado las distribuciones seguidas por cada uno de los atributos, estudiando también los valores máximos, mínimos, medias y cuartiles de aquellos campos numéricos.

  • Análisis multivariable: finalmente, hemos realizado un estudio de cómo distintos atributos se relacionan entre sí.

3.1 Etiquetado de los atributos

En un primer momento, intentamos averiguar los significados de los campos de forma manual. Conseguimos deducir que el atributo V2 representa la edad del solicitante, percatándonos de que los decimales correspondían con múltiplos de 1/12 (por ejemplo, el valor 34.083 se corresponde con la edad de 34 años y 1 mes).

Otro campo que pudimos deducir fue el de Ingresos (V15), basándonos en la distribución que tomaban sus valores (y que veremos más adelante).

Finalmente, decidimos investigar en foros online para buscar el significado del resto de atributos. Ahí es cuando encontramos el siguiente proyecto de Kaggle.

Con esta información, renombramos las columnas:

colnames(credit)[colnames(credit) == "V1"] ="Sexo"
colnames(credit)[colnames(credit) == "V2"] ="Edad"
colnames(credit)[colnames(credit) == "V3"] ="Deuda"
colnames(credit)[colnames(credit) == "V4"] ="Estado_civil"
colnames(credit)[colnames(credit) == "V5"] ="Es_cliente"
colnames(credit)[colnames(credit) == "V6"] ="Nivel_educativo"
colnames(credit)[colnames(credit) == "V7"] ="Etnia"
colnames(credit)[colnames(credit) == "V8"] ="Anos_cotizados"
colnames(credit)[colnames(credit) == "V9"] ="Impago_previo"
colnames(credit)[colnames(credit) == "V10"] ="Trabaja"
colnames(credit)[colnames(credit) == "V11"] ="Calificacion_crediticia"
colnames(credit)[colnames(credit) == "V12"] ="Licencia_de_conducir"
colnames(credit)[colnames(credit) == "V13"] ="Ciudadano"
colnames(credit)[colnames(credit) == "V14"] ="Codigo_postal"
colnames(credit)[colnames(credit) == "V15"] ="Ingresos"
colnames(credit)[colnames(credit) == "V16"] ="Aprobado"

También distinguimos entre campos categóricos y numéricos. Los datos categóricos se deben tratar como el tipo factor. Algunos campos numéricos conviene visualizarlos en escala logarítmica.

campos = 1:15
campos_numericos = c(2, 3, 8, 11, 14, 15)
campos_log = c(8, 11, 15)
campos_no_log = setdiff(campos_numericos, campos_log)
campos_categoricos = setdiff(campos, campos_numericos)
#campos_categoricos = c("Sexo", "Estado_civil", "Es_cliente", "Nivel_educativo", "Etnia", "Impago_previo", "Trabaja", "Licenc", "Ciudadano", "Aprobado") #nolint
credit[campos_categoricos] <- lapply(credit[campos_categoricos], FUN = factor)
lapply(credit[campos_categoricos], FUN = levels)
## $Sexo
## [1] "a" "b"
## 
## $Estado_civil
## [1] "l" "u" "y"
## 
## $Es_cliente
## [1] "g"  "gg" "p" 
## 
## $Nivel_educativo
##  [1] "aa" "c"  "cc" "d"  "e"  "ff" "i"  "j"  "k"  "m"  "q"  "r"  "w"  "x" 
## 
## $Etnia
## [1] "bb" "dd" "ff" "h"  "j"  "n"  "o"  "v"  "z" 
## 
## $Impago_previo
## [1] "f" "t"
## 
## $Trabaja
## [1] "f" "t"
## 
## $Licencia_de_conducir
## [1] "f" "t"
## 
## $Ciudadano
## [1] "g" "p" "s"
#pasamos el campo aprobado también a factor y renombramos sus valores
credit <- credit %>%
  mutate(Aprobado = factor(Aprobado, levels = c("+", "-"), labels = c("Aprobado", "Rechazado")))

Añadimos los valores que faltan que pueden tomar algunas de las variables, en este caso a la variable estado civil le falta el valor “t”.

levels(credit$Estado_civil) <- c(levels(credit$Estado_civil), "t")

3.2 Análisis univariable

Para llevar a cabo el análisis monovariable, distinguiremos entre los atributos numéricos y categóricos, pues la forma de tratarlos es completamente distinta.

3.2.1 Atributos numéricos

Para los atributos numéricos, es interesante como punto de partida mostrar su valor mínimo, máximo, los cuartiles, la media y la mediana.

# Tabla con los atributos
atributosNum <- credit[,c(2,3,8,11,14,15)]

summary(atributosNum)
##       Edad           Deuda        Anos_cotizados   Calificacion_crediticia
##  Min.   :13.75   Min.   : 0.000   Min.   : 0.000   Min.   : 0.0           
##  1st Qu.:22.60   1st Qu.: 1.000   1st Qu.: 0.165   1st Qu.: 0.0           
##  Median :28.46   Median : 2.750   Median : 1.000   Median : 0.0           
##  Mean   :31.57   Mean   : 4.759   Mean   : 2.223   Mean   : 2.4           
##  3rd Qu.:38.23   3rd Qu.: 7.207   3rd Qu.: 2.625   3rd Qu.: 3.0           
##  Max.   :80.25   Max.   :28.000   Max.   :28.500   Max.   :67.0           
##  NA's   :12                                                               
##  Codigo_postal     Ingresos       
##  Min.   :   0   Min.   :     0.0  
##  1st Qu.:  75   1st Qu.:     0.0  
##  Median : 160   Median :     5.0  
##  Mean   : 184   Mean   :  1017.4  
##  3rd Qu.: 276   3rd Qu.:   395.5  
##  Max.   :2000   Max.   :100000.0  
##  NA's   :13

Vamos a mostrar ahora gráficamente estos atributos, junto con un histograma que nos sirve como primera toma de contacto con la distribución que siguen dichos atributos.

# Crear una lista para guardar los histogramas
plots <- list()

for (i in campos_numericos) {
  var <- names(credit)[i]
  var_data <- na.omit(credit[[var]])
# Saltar si la columna no tiene datos suficientes
  if (length(var_data) < 2) next
  df_temp <- data.frame(valor = var_data)
  
  p <- ggplot(df_temp, aes(x = valor)) +
    geom_histogram(bins = 30, fill = "skyblue", color = "black") +
    ggtitle(var) +
    theme_minimal()
  
  plots[[var]] <- p
}

grid.arrange(grobs = plots, ncol = 3)

Claramente hay variables como la de Ingresos o Calificacion_crediticia que pierden mucha información al representarse con el histograma. Utilizando escala logarítmica se puede distinguir mejor la población:

# Crear una lista para guardar los histogramas
plots <- list()

for (i in campos_log) {
    var <- names(credit)[i]
    var_data <- na.omit(credit[[var]])
    # Saltar si la columna no tiene datos suficientes o si hay valores no positivos
    var_data_log <- var_data[var_data > 0]
    if (length(var_data_log) < 2) next
    df_temp <- data.frame(valor = log(var_data_log))
    
    p <- ggplot(df_temp, aes(x = valor)) +
        geom_histogram(bins = 30, fill = "skyblue", color = "black") +
        ggtitle(paste0(var, " (log)")) +
        theme_minimal()
    
    plots[[var]] <- p
}

grid.arrange(grobs = plots, ncol = 3)

En el caso del atributo Calificacion_crediticia, vemos que hay una gran cantidad de muestras que tienen el valor 0 en este campo. Esto se puede deber a que el banco no conoce este dato o bien que la mayor parte de la gente acaba de abrirse la cuenta del banco y de momento no tiene una calificación crediticia positiva.

También vemos una cantidad elevada de personas con cero ingresos. Igual que en el caso anterior, seguramente se deba a desconocimiento del valor, pues no es frecuente que una cantidad tan elevada de la población tenga 0 ingresos.

Ahora queremos comprobar si alguno de los atributos sigue una distribución normal. Para ello utilizamos qqplot para comparar la función de distribución de nuestros atributos con la de la distribución normal.

library(ggplot2)
library(gridExtra)

# Lista para guardar los Q-Q plots
qqplots <- list()

for (i in campos_numericos) {
  var <- names(credit)[i]
  var_data <- na.omit(credit[[i]])

  # Saltar si hay pocos datos
  if (length(var_data) < 3) next

  df_temp <- data.frame(valor = var_data)

  # Q-Q plot usando stat_qq
  p <- ggplot(df_temp, aes(sample = valor)) +
    stat_qq() +
    stat_qq_line(color = "red") +
    ggtitle(paste(var)) +
    theme_minimal()

  qqplots[[var]] <- p
}

# Mostrar todos los Q-Q plots en una cuadrícula
grid.arrange(grobs = qqplots, ncol = 3)

Llegamos a la conclusión de que ninguno de los atributos sigue una distribución normal. De seguir esta distribución, deberíamos ver una coincidencia entre los cuartiles reales (puntos) y la línea de cuartiles (roja) para una distribución normal de misma media y desviación típica.

La que más se acerca sería la del código postal. Esto podría tener cierto sentido debido a que la mayor parte de los solicitantes vivirán cerca del banco en cuestión. Teniendo en cuenta que lugares cercanos suelen tener códigos postales próximos, tiene mucho sentido que cuanto más nos alejamos del banco (y por consecuente de su código postal), menos solicitantes habrá.

Siguiendo el razonamiento anterior, parece convenienente comprobar si las variables que anteriormente visualizamos en escala logarítmica, siguen una distribución lognormal. Para ello simplemente repetimos el procedimiento anterior con las variables tras aplicarle el logaritmo:

library(ggplot2)
library(gridExtra)

# Lista para guardar los Q-Q plots
qqplots <- list()

for (i in campos_log) {
  var <- names(credit)[i]
  var_data <- na.omit(credit[[var]])
# Saltar si la columna no tiene datos suficientes o si hay valores no positivos
  var_data_log <- var_data[var_data > 0]
  if (length(var_data_log) < 2) next
  df_temp <- data.frame(valor = log(var_data_log))


  # Q-Q plot usando stat_qq
  p <- ggplot(df_temp, aes(sample = valor)) +
    stat_qq() +
    stat_qq_line(color = "red") +
    ggtitle(paste(var)) +
    theme_minimal()

  qqplots[[var]] <- p
}

# Mostrar todos los Q-Q plots en una cuadrícula
grid.arrange(grobs = qqplots, ncol = 3)

Vemos que estas tres variables se ajustan mucho mejor a una distribución lognormal que a una normal. Ahora vamos a centrarnos en tres predictores en concreto: Ingresos, Deuda y Calificacion_crediticia.

3.2.1.1 Análisis univariable del predictor Ingresos

library(ggplot2)

# Eliminamos NA por seguridad
ingresos <- na.omit(credit$Ingresos)

# Estadísticos básicos
summary(ingresos)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##      0.0      0.0      5.0   1017.4    395.5 100000.0
sd(ingresos)
## [1] 5210.103
# Histograma y Boxplot
p1 <- ggplot(data.frame(Ingresos = ingresos), aes(x = Ingresos)) +
  geom_histogram(bins = 30, fill = "steelblue", color = "black") +
  labs(title = "Histograma de Ingresos")

p2 <- ggplot(data.frame(Ingresos = ingresos), aes(y = Ingresos)) +
  geom_boxplot(fill = "orange") +
  labs(title = "Boxplot de Ingresos")

gridExtra::grid.arrange(p1, p2, ncol = 2)

La variable Ingresos presenta una distribución altamente asimétrica, con una gran concentración de valores bajos y una cola larga hacia la derecha. Esto se confirma con el histograma y el boxplot, donde se observan muchos valores en cero y varios outliers.

# Test de Shapiro-Wilk para normalidad
shapiro.test(ingresos)
## 
##  Shapiro-Wilk normality test
## 
## data:  ingresos
## W = 0.16985, p-value < 2.2e-16
# Log-transformación (se suman +1 para evitar log(0))
log_ingresos <- log(ingresos + 1)

# Test de Shapiro-Wilk sobre log(Ingresos)
shapiro.test(log_ingresos)
## 
##  Shapiro-Wilk normality test
## 
## data:  log_ingresos
## W = 0.82425, p-value < 2.2e-16

La prueba de Shapiro-Wilk sobre los ingresos originales da como resultado un p-valor muy bajo, indicando que no siguen una distribución normal. Tras aplicar una transformación logarítmica (log(Ingresos + 1)), la distribución mejora notablemente en forma, aunque el p-valor obtenido sigue siendo muy bajo, lo que nos confirma que tampoco sigue una distribución lognormal. El Q-Q plot también muestra una mejor alineación con la recta teórica tras la transformación.

# Q-Q plot para Ingresos y log(Ingresos)
par(mfrow = c(1,2))

qqnorm(ingresos, main = "Q-Q plot Ingresos")
qqline(ingresos, col = "red")

qqnorm(log_ingresos, main = "Q-Q plot log(Ingresos)")
qqline(log_ingresos, col = "red")

Nuestra siguiente intención es comprobar si este predictor sirve como una buena primera aproximación para distinguir entre personas a las que se le concedió el crédito y a las que no. Para ello, dividimos la población total entre aprobados y no aprobados y representamos con un boxplot cada una.

# Eliminar NA
df_ingresos <- credit[!is.na(credit$Ingresos) & !is.na(credit$Aprobado), ]

# Boxplot de Ingresos por Clase
ggplot(df_ingresos, aes(x = Aprobado, y = Ingresos, fill = Aprobado)) +
  geom_boxplot() +
  labs(title = "Distribución de Ingresos según Aprobado",
       x = "Aprobado (Crédito aprobado o no)",
       y = "Ingresos") +
  theme_minimal()

Al tratarse la mayoría de valores muy cercanos a cero perdemos mucha información al visualizar la gráfica. No obstante sí que nos damos cuenta de que a todos los outliers (personas con ingresos muy por encima de la media) se les concede el crédito, lo que nos hace pensar que puede ser un buen predictor. Para visualizar mejor el boxplot, transformamos los datos a escala logaritmica:

  # También puedes ver la versión log-transformada (opcional)
df_ingresos$log_ingresos <- log(df_ingresos$Ingresos + 1)

ggplot(df_ingresos, aes(x = Aprobado, y = log_ingresos, fill = Aprobado)) +
  geom_boxplot() +
  labs(title = "Distribución log(Ingresos + 1) según Aprobado",
       x = "Aprobado",
       y = "log(Ingresos + 1)") +
  theme_minimal()

En este diagrama sí que se aprecia mucho mejor que a la gente que se le concedió el crédito tiene de media muchos más ingresos, confirmando así nuestra teoría. Podemos mostrar también las funciones de densidad para cada una de las clases, en escala logarítmica para una mejor visualización.

ggplot(df_ingresos, aes(x = log_ingresos, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  labs(title = "Distribución de log(Ingresos+1) según Aprobado",
       x = "log(Ingresos+1)",
       y = "Densidad") +
  theme_minimal()

3.2.1.2 Análisis univariable del predictor Deuda

# Eliminamos NA
deuda <- na.omit(credit$Deuda)

# Estadísticos descriptivos
summary(deuda)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   1.000   2.750   4.759   7.207  28.000
sd(deuda)
## [1] 4.978163
# Histograma y Boxplot
p1 <- ggplot(data.frame(Deuda = deuda), aes(x = Deuda)) +
  geom_histogram(bins = 30, fill = "darkseagreen", color = "black") +
  labs(title = "Histograma de Deuda")

p2 <- ggplot(data.frame(Deuda = deuda), aes(y = Deuda)) +
  geom_boxplot(fill = "tomato") +
  labs(title = "Boxplot de Deuda")

gridExtra::grid.arrange(p1, p2, ncol = 2)

La variable Deuda presenta una distribución asimétrica, aunque menos extrema que Ingresos. El histograma muestra una acumulación de valores bajos y una cola hacia la derecha. El boxplot sugiere la presencia de varios valores atípicos por encima del tercer cuartil.

# Prueba de normalidad
shapiro.test(deuda)
## 
##  Shapiro-Wilk normality test
## 
## data:  deuda
## W = 0.83025, p-value < 2.2e-16
# Log-transformación si hay valores positivos
log_deuda <- log(deuda + 1)
shapiro.test(log_deuda)
## 
##  Shapiro-Wilk normality test
## 
## data:  log_deuda
## W = 0.96347, p-value = 4.345e-12

Ambas pruebas de Shapiro-Wilk indican que ni Deuda ni log(Deuda + 1) siguen una distribución normal. No obstante, el logaritmo ayuda a mejorar la simetría:

# Q-Q plots
par(mfrow = c(1,2))
qqnorm(deuda, main = "Q-Q plot Deuda")
qqline(deuda, col = "red")
qqnorm(log_deuda, main = "Q-Q plot log(Deuda)")
qqline(log_deuda, col = "red")

Queremos ahora ver si Deuda permite distinguir entre personas a las que se les concedió el crédito y a las que no:

df_deuda <- credit[!is.na(credit$Deuda) & !is.na(credit$Aprobado), ]
df_deuda$log_deuda <- log(df_deuda$Deuda + 1)

ggplot(df_deuda, aes(x = Aprobado, y = log_deuda, fill = Aprobado)) +
  geom_boxplot() +
  labs(title = "Distribución log(Deuda + 1) según Aprobado",
       x = "Aprobado",
       y = "log(Deuda + 1)") +
  theme_minimal()

El boxplot log-transformado permite ver que los casos aprobados tienden a tener mayor deuda, lo cual es contraintuitivo, pero puede estar relacionado con el hecho de que esas personas también tienen mayores ingresos y capacidad de pago. Este comportamiento debe analizarse junto con otros predictores.

ggplot(df_deuda, aes(x = Deuda, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  labs(title = "Distribución de Deuda según Aprobado",
       x = "Deuda",
       y = "Densidad") +
  theme_minimal()

Este gráfico muestra que, aunque las distribuciones se solapan, el grupo aprobado presenta una mayor densidad en valores altos de deuda, reforzando la idea de que tener deuda no impide ser aprobado, siempre que venga acompañada de otros factores como ingresos estables.

Podemos verlo en escala logarítmica de manera más evidente:

ggplot(df_deuda, aes(x = log_deuda, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  labs(title = "Distribución de Deuda según Aprobado",
       x = "Deuda",
       y = "Densidad") +
  theme_minimal()

3.2.2 Atributos categóricos

El estudio de campos categóricos es limitado en comparación con el de campos numéricos. Al no existir orden ni distancia entre valores de los atributos, perdemos la ayuda de la mayor parte de herramientas estadísticas. Sin embargo, esto no significa que no podamos extraer información útil de estos campos. Podemos comenzar nuetro análisis graficando un histograma de cada variable categórica.

summary(credit)
##    Sexo          Edad           Deuda        Estado_civil Es_cliente
##  a   :210   Min.   :13.75   Min.   : 0.000   l   :  2     g   :519  
##  b   :468   1st Qu.:22.60   1st Qu.: 1.000   u   :519     gg  :  2  
##  NA's: 12   Median :28.46   Median : 2.750   y   :163     p   :163  
##             Mean   :31.57   Mean   : 4.759   t   :  0     NA's:  6  
##             3rd Qu.:38.23   3rd Qu.: 7.207   NA's:  6               
##             Max.   :80.25   Max.   :28.000                          
##             NA's   :12                                              
##  Nivel_educativo     Etnia     Anos_cotizados   Impago_previo Trabaja
##  c      :137     v      :399   Min.   : 0.000   f:329         f:395  
##  q      : 78     h      :138   1st Qu.: 0.165   t:361         t:295  
##  w      : 64     bb     : 59   Median : 1.000                        
##  i      : 59     ff     : 57   Mean   : 2.223                        
##  aa     : 54     j      :  8   3rd Qu.: 2.625                        
##  (Other):289     (Other): 20   Max.   :28.500                        
##  NA's   :  9     NA's   :  9                                         
##  Calificacion_crediticia Licencia_de_conducir Ciudadano Codigo_postal 
##  Min.   : 0.0            f:374                g:625     Min.   :   0  
##  1st Qu.: 0.0            t:316                p:  8     1st Qu.:  75  
##  Median : 0.0                                 s: 57     Median : 160  
##  Mean   : 2.4                                           Mean   : 184  
##  3rd Qu.: 3.0                                           3rd Qu.: 276  
##  Max.   :67.0                                           Max.   :2000  
##                                                         NA's   :13    
##     Ingresos             Aprobado  
##  Min.   :     0.0   Aprobado :307  
##  1st Qu.:     0.0   Rechazado:383  
##  Median :     5.0                  
##  Mean   :  1017.4                  
##  3rd Qu.:   395.5                  
##  Max.   :100000.0                  
## 
categorical_vars <- names(credit)[campos_categoricos]

# Create a plotting function for categorical variables
plot_categorical <- function(var_name) {
  ggplot(credit, aes(x = .data[[var_name]])) +
    geom_bar(fill = "skyblue", color = "black") +
    labs(title = paste("Distribución de", var_name),
         x = var_name, y = "Cantidad") +
    theme_minimal() +
    theme(axis.text.x = element_text(angle = 45, hjust = 1))
}

categorical_plots <- map(categorical_vars, plot_categorical)

grid.arrange(grobs = categorical_plots, ncol = 3)

Nos gustaría también ver cómo los valores que toman estos campos afectan a la variable a predecir. Para ello podemos hacer uso de la función spineplot, que nos muestra para cada valor de una variable tanto su poblacion (ancho) como su tasa de aprobados (alto de la barra azul).

par(mfrow = c(3, 3))  #plots en cuadrícula 3x3

for (var in categorical_vars) {
  spineplot(x = credit[[var]], 
            y = credit$Aprobado,
            ylevels = c("Rechazado", "Aprobado"),
            xlab = var,
            ylab = "Resultado",
            main = paste("Aprobados por", var),
            col = c("#46cac1", "#ff8080"),
            border = c("#26958d", "#b13636"))
}

par(mfrow = c(1, 1))

Como punto de interés adicional, representemos también etnia frente a ciudadanía.

spineplot(credit$Etnia, credit$Ciudadano,
          xlab = "Etnia",
          ylab = "Es ciudadano",
          main = "Ciudadanía por Etnia",
          col = c("#aeaeae", "#848484", "#575757"))

Con los datos representados podemos realizar varias deducciones sobre el contexto del dataset y los significados de las etiquetas de algunos campos. Por ejemplo:

En el plot de Etnia frente a Ciudadanía, vemos que no existen grandes variaciones en las distribuciones de ciudadanía entre distintas etnias. Esto nos hace pensar que no estamos tratando con datos provenientes de un único país. Si fuese así, la etnia mayoritaria tendría probablemente un porcentaje de miembros ciudadanos muy superior al resto. Debemos suponer entonces, que aunque los datos provengan de un banco japonés, sus clientes están distribuidos por vairos países, y el campo Es_ciudadano hace referencia a la cuidadanía respecto al país en el que residen.

Trabaja, puesto que una persona con trabajo tiene mucha más facilidad para recibir aprobación por parte de un banco, resulta bastante claro que “t” y “f” se corresponden con tener y no tener
trabajo, respectivamente.

Impago previo, de manera bastante inmediata, el valor “f” de impago previo representa presencia de impagos por su terrible impacto en la tasa de aprobado (al contrario de lo que el nombre del campo pueda dar a entender). “t” significaría entonces ausencia de impagos. El valor de esta variable es un factor muy importante a la hora de decidir si se aprueba o no la solicitud. Tanto así que un predictor que utilice simplemente esta variable para clasificar, obtendría una tasa de aciertos de (306+284)/690 ~= 0.855, bastante cercano a lo que obtendremos con técnicas más avanzadas.

tab <- table(credit$Impago_previo, credit$Aprobado)
df_plot <- as.data.frame(tab)
names(df_plot) <- c("Impago_previo", "Aprobado", "Count")

ggplot(df_plot, aes(x = Impago_previo, y = Aprobado, fill = Count)) +
  geom_tile(color = "white") +
  geom_text(aes(label=Count), color = "black", size = 6) +
  scale_fill_gradient(low = "white", high = "steelblue") +
  labs(title = "Tabla de frecuencias de impago previo frente a aprobado",
       x = "Impago previo",
       y = "Aprobado") +
  theme_minimal(base_size = 20)

3.3 Análisis multivariable

Analizar todas las posibles agrupaciones de atributos sería una tarea inabarcable. Al contar con 16 de los mismos, existen un total de 216 = 65536 combinaciones de conjuntos. Es por ello que incluimos solo análisis de grupos de atributos que consideramos que pueden tener importancia.

Los objetivos del análisis multivariable es detectar patrones complejos no visibles en análisis univariantes. Nos puede servir posteriormente para reducir dimensiones o justificar otras decisiones de preprocesado.

3.3.1 Grid de variables numéricas

Utilizando un pairwise correlation plot con la función del paquete GGally vamos a visualizar las relaciones entre todos los pares de variables numéricas. Distinguimos entre créditos aprobados (rojo) y denegados (azul). No incluimos el Código_postal ya que no es un valor que mantenga un concepto de escala.

Dado que las variables Deuda, Anos_cotizados y Calificacion_crediticia presentan distribuciones muy sesgadas hacia valores bajos, aplicamos una transformación logarítmica. Así, se estabilizamos las varianzas y favorecemos el análisis de regresiones lineales.

# Función para mostrar R^2 en los paneles superiores
  cor_plus_r2_fun <- function(data, mapping, ...) {
    x <- eval_data_col(data, mapping$x)
    y <- eval_data_col(data, mapping$y)
    class_var <- data$Aprobado  # Asumimos que la clase es esta
    
    df <- data.frame(x = x, y = y, clase = class_var)
    df <- df[complete.cases(df), ]

    # Correlaciones
    r_total <- cor(df$x, df$y)
    r_plus  <- tryCatch(cor(df$x[df$clase == "Aprobado"], df$y[df$clase == "Aprobado"]), error = function(e) NA)
    r_minus <- tryCatch(cor(df$x[df$clase == "Rechazado"], df$y[df$clase == "Rechazado"]), error = function(e) NA)

    # R2
    r2 <- tryCatch(summary(lm(y ~ x, data = df))$r.squared, error = function(e) NA)

    # Formato
    txt <- paste0(
      "Corr: ", sprintf("%.3f", r_total), "\n",
      "-: ", sprintf("%.3f", r_minus), "\n",
      "+: ", sprintf("%.3f", r_plus), "\n",
      "R²: ", sprintf("%.3f", r2)
    )

    ggplot(data = df, aes(x = x, y = y)) +
      annotate("text", x = median(df$x, na.rm = TRUE), y = median(df$y, na.rm = TRUE),
              label = txt, size = 3.5, hjust = 0.5) +
      theme_void()
  }

  # Subconjunto con las variables numéricas
  subset_credit <- credit[, c("Edad", "Deuda", "Anos_cotizados", "Calificacion_crediticia", "Ingresos", "Aprobado")]
  subset_credit$Deuda <- log10(subset_credit$Deuda + 1)
  subset_credit$Anos_cotizados <- log10(subset_credit$Anos_cotizados + 1)
  subset_credit$Ingresos <- log10(subset_credit$Ingresos + 1)
  subset_credit$Calificacion_crediticia <- log10(subset_credit$Calificacion_crediticia + 1)

  
  # Graficar con color por clase
  ggpairs(subset_credit,
          mapping = aes(color = Aprobado, alpha = 0.5),
          columns = 1:5,
          upper = list(continuous = cor_plus_r2_fun),
          lower = list(continuous = wrap("points", alpha = 0.4)),
          title = "Relaciones entre atributos numéricos")
## Warning: Removed 12 rows containing non-finite outside the scale range
## (`stat_density()`).
## Warning: Removed 12 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Removed 12 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Removed 12 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Removed 12 rows containing missing values or values outside the scale range
## (`geom_point()`).

Como puede observarse en la matriz de correlaciones, la diagonal corresponde a las distribuciones marginales que mostrábamos en el análisis monovariable. El triángulo inferior contiene los diagramas de dispersión para cada par de variables y clase (aprobado o denegado). Por último, el triángulo superior derecho contiene los coeficientes de correlación de Pearson, tanto de las distribuciones globales como las separadas por clase.

Las correlaciones son, en su mayoría, positivas y de pequeña magnitud. Tiene sentido, por ejemplo, que a mayor edad tenga una persona, más larga sea su vida laboral. Estas correlaciones son más intensas en la clase +. Esto sugiere que los casos aprobados siguen patrones más regulares. En el caso de la relación Edad-Anos_cotizados, podríamos interpretar que a la hora de la concesión de un crédito a una persona joven, se es mas laxo con una vida laboral más corta. No obstante, si nos fijamos en los gráficos de dispersión y en el R2, podemos concluir que los datos no son los idóneos para una regresión lineal.

Como separador, el par Edad-Deuda es el peor de todos, ya que las distribuciones de ambas clases se solapan demasiado. Todos los pares en los que aparece la calificación crediticia son buenas elecciones de separadores; no por ser un buen par, sino que como discutimos en el análisis monovariable, la calificación crediticia es en sí misma un buen separador. El par Deuda-Anos_cotizados es quizá el mejor separador bidimensional de la tabla. Se puede apreciar que un corte diagonal (recta y=1.5-x) se consigue una buena separación de los puntos rojos y azules.

subset_credit$Esfuerzo_financiero <- subset_credit$Deuda + subset_credit$Anos_cotizados  + abs(subset_credit$Ingresos-1)*0.375


ggplot(subset_credit, aes(x = Esfuerzo_financiero, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  theme_minimal() +
  labs(title = "Distribución del índice combinado log10(Deuda+1) + log10(Años cotizados+1) + |Igresos-1|*0.375" ,
       x = "Índice esfuerzo financiero", y = "Densidad")

Hemos llamado a la suma de ambos atributos (en escala logarítmica) mas el término |Ingresos-1|*0.375 Esfuerzo_financiero. La distribución marginal de este nuevo valor tiende a valores cercanos a cero en el caso de los créditos denegados y a una distribución simétrica centrada a la mitad del eje. A pesar del solapamiento, el patrón sugiere que este nuevo atributo podría tener valor como variable predictiva. Podría ser interesante como incorporación a los modelos de aprendizaje.

3.3.2 Relaciones del índice crediticio

La calificación crediticia es, a priori, el mejor clasificador numérico monovariable. No obstante, sigue habiendo unos pocos casos en los que una calificación alta no implica la concesión del crédito. En esta subsección vamos a intentar encontrar cuáles son las variables que determinan la concesión del crédito en los casos de un índice crediticio alto.

Para empezar, filtramos el dataset para contener únicamente información sobre los créditos en los que el solicitante tiene un índice crediticio superior a 3.

  credit_alto <- subset(credit, Calificacion_crediticia > 3)
  summary(credit_alto)
##  Sexo        Edad           Deuda        Estado_civil Es_cliente
##  a:54   Min.   :16.08   Min.   : 0.000   l:  0        g :133    
##  b:97   1st Qu.:24.00   1st Qu.: 1.750   u:133        gg:  0    
##         Median :33.17   Median : 5.665   y: 18        p : 18    
##         Mean   :35.43   Mean   : 6.739   t:  0                  
##         3rd Qu.:43.16   3rd Qu.:10.312                          
##         Max.   :68.67   Max.   :28.000                          
##                                                                 
##  Nivel_educativo     Etnia    Anos_cotizados   Impago_previo Trabaja
##  c      :34      v      :80   Min.   : 0.000   f: 10         f:  0  
##  q      :26      h      :40   1st Qu.: 1.000   t:141         t:151  
##  cc     :14      bb     :15   Median : 2.375                        
##  w      :13      ff     : 9   Mean   : 4.010                        
##  x      :13      z      : 4   3rd Qu.: 5.250                        
##  i      : 9      dd     : 1   Max.   :28.500                        
##  (Other):42      (Other): 2                                         
##  Calificacion_crediticia Licencia_de_conducir Ciudadano Codigo_postal  
##  Min.   : 4.000          f:82                 g:149     Min.   :  0.0  
##  1st Qu.: 6.000          t:69                 p:  0     1st Qu.:  0.0  
##  Median : 8.000                               s:  2     Median :100.0  
##  Mean   : 9.344                                         Mean   :141.4  
##  3rd Qu.:11.000                                         3rd Qu.:220.0  
##  Max.   :67.000                                         Max.   :583.0  
##                                                         NA's   :2      
##     Ingresos            Aprobado  
##  Min.   :    0.0   Aprobado :135  
##  1st Qu.:    7.5   Rechazado: 16  
##  Median :  540.0                  
##  Mean   : 1919.4                  
##  3rd Qu.: 1802.5                  
##  Max.   :51100.0                  
## 

El resultado es una tabla de 151 entradas. El perfil medio de estas solicitudes, más allá de la calificación crediticia, se deferencia del perfil general en cuatro ámbitos:

  • Todos tienen un puestro de trabajo.

  • La deuda es mayor (6.739 vs 4.759 de media).

  • Más años cotizados (1 en el primer cuartil vs 0.165).

  • Más ingresos (540 vs 5 de media).

Si repetimos la matriz de correlaciones para este dataset:

# Función para mostrar R^2 en los paneles superiores
  cor_plus_r2_fun <- function(data, mapping, ...) {
    x <- eval_data_col(data, mapping$x)
    y <- eval_data_col(data, mapping$y)
    class_var <- data$Aprobado  # Asumimos que la clase es esta
    
    df <- data.frame(x = x, y = y, clase = class_var)
    df <- df[complete.cases(df), ]

    # Correlaciones
    r_total <- cor(df$x, df$y)
    r_plus  <- tryCatch(cor(df$x[df$clase == "Aprobado"], df$y[df$clase == "Aprobado"]), error = function(e) NA)
    r_minus <- tryCatch(cor(df$x[df$clase == "Rechazado"], df$y[df$clase == "Rechazado"]), error = function(e) NA)

    # R² global
    r2 <- tryCatch(summary(lm(y ~ x, data = df))$r.squared, error = function(e) NA)

    # Formato
    txt <- paste0(
      "Corr: ", sprintf("%.3f", r_total), "\n",
      "-: ", sprintf("%.3f", r_minus), "\n",
      "+: ", sprintf("%.3f", r_plus), "\n",
      "R²: ", sprintf("%.3f", r2)
    )

    ggplot(data = df, aes(x = x, y = y)) +
      annotate("text", x = median(df$x, na.rm = TRUE), y = median(df$y, na.rm = TRUE),
              label = txt, size = 3.5, hjust = 0.5) +
      theme_void()
  }

  # Subconjunto con las variables numéricas
  subset_credit <- credit_alto[, c("Edad", "Deuda", "Anos_cotizados", "Calificacion_crediticia", "Ingresos", "Aprobado")]
  subset_credit$Deuda <- log10(subset_credit$Deuda + 1)
  subset_credit$Anos_cotizados <- log10(subset_credit$Anos_cotizados + 1)
  subset_credit$Ingresos <- log10(subset_credit$Ingresos + 1)
  subset_credit$Calificacion_crediticia <- log10(subset_credit$Calificacion_crediticia + 1)

  
  # Graficar con color por clase
  ggpairs(subset_credit,
          mapping = aes(color = Aprobado, alpha = 0.5),
          columns = 1:5,
          upper = list(continuous = cor_plus_r2_fun),
          lower = list(continuous = wrap("points", alpha = 0.4)),
          title = "Relaciones entre atributos numéricos con alta Calificacion_crediticia")

los resultados obtenidos sugieren que los ingresos del solicitante son un factor clave en la concesión o no del crédito, resultando en una denegación aquellos perfiles con unos ingresos cercanos a 10 unidades. También destaca la diferencia entre una deuda alta y baja. De hecho, si utilizamos el Esfuerzo_financiero que hemos definido antes obtenemos el siguiente resultado:

subset_credit$Esfuerzo_financiero <- abs(subset_credit$Ingresos-1)*0.375 + subset_credit$Anos_cotizados + subset_credit$Deuda


ggplot(subset_credit, aes(x = Esfuerzo_financiero, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  theme_minimal() +
  labs(title = "Distribución log10(Deuda+1) + log10(Años cotizados+1) + |Ingresos-1|*0.375",
       x = "Índice esfuerzo financiero", y = "Densidad")

La separación es aún mejor que en el caso general. Podemos ver el rendimiento de este predictor para este subdataset:

  subset_credit$Prediccion_simple <- ifelse(subset_credit$Esfuerzo_financiero > 1.6, "Aprobado", "Rechazado")
  table(Real = subset_credit$Aprobado, Predicho = subset_credit$Prediccion_simple)
##            Predicho
## Real        Aprobado Rechazado
##   Aprobado       102        33
##   Rechazado        3        13
  library(ggplot2)
  library(dplyr)

  # Crear tabla de confusión en formato largo
  conf_mat <- table(Real = subset_credit$Aprobado, Predicho = subset_credit$Prediccion_simple)
  conf_df <- as.data.frame(conf_mat)

  # Añadir etiquetas
  conf_df <- conf_df %>%
    mutate(Tipo = case_when(
      Real == "Aprobado" & Predicho == "Aprobado" ~ "Verdadero Positivo",
      Real == "Rechazado" & Predicho == "Aprobado" ~ "Falso Positivo",
      Real == "Rechazado" & Predicho == "Rechazado" ~ "Verdadero Negativo",
      Real == "Aprobado" & Predicho == "Rechazado" ~ "Falso Negativo"
    ))

  
  # Gráfico
  ggplot(conf_df, aes(x = Predicho, y = Real, fill = Freq)) +
    geom_tile(color = "white") +
    geom_text(aes(label = paste0(Freq, "\n", Tipo)), size = 4) +
    scale_fill_gradient(low = "white", high = "steelblue") +
    labs(title = "Matriz de confusión para predictor basado en esfuerzo financiero",
        x = "Predicción", y = "Clase real", fill = "Frecuencia") +
    theme_minimal()

La matriz de confusión los indica que un predictor que utilizase este nuevo campo como clasificador en los casos con un índice crediticio alto, se obtendría una tasa de acierto del 75%.

  credit_alto$Prediccion_simple <- ifelse(as.character(credit_alto$Impago_previo) == "t", "Aprobado", "Rechazado")
  table(Real = credit_alto$Aprobado, Predicho = credit_alto$Prediccion_simple)
##            Predicho
## Real        Aprobado Rechazado
##   Aprobado       135         0
##   Rechazado        6        10
  library(ggplot2)
  library(dplyr)

  # Crear tabla de confusión en formato largo
  conf_mat <- table(Real = credit_alto$Aprobado, Predicho = credit_alto$Prediccion_simple)
  conf_df <- as.data.frame(conf_mat)

  # Añadir etiquetas
  conf_df <- conf_df %>%
    mutate(Tipo = case_when(
      Real == "Aprobado" & Predicho == "Aprobado" ~ "Verdadero Positivo",
      Real == "Rechazado" & Predicho == "Aprobado" ~ "Falso Positivo",
      Real == "Rechazado" & Predicho == "Rechazado" ~ "Verdadero Negativo",
      Real == "Aprobado" & Predicho == "Rechazado" ~ "Falso Negativo"
    ))

  
  # Gráfico
  ggplot(conf_df, aes(x = Predicho, y = Real, fill = Freq)) +
    geom_tile(color = "white") +
    geom_text(aes(label = paste0(Freq, "\n", Tipo)), size = 4) +
    scale_fill_gradient(low = "white", high = "steelblue") +
    labs(title = "Matriz de confusión para predictor basado en impago previo",
        x = "Predicción", y = "Clase real", fill = "Frecuencia") +
    theme_minimal()

En cambio, si utilizamos aquí el predictor Impago_previo, vemos como el resultado aumenta al 96%.

4 Preprocesado de datos

# Preprocesado 1 y preprocesado 2 para comparar más adelante
    # Cargar índices de train
    credit.trainIdx <- readRDS("credit.trainIdx")

    # Separación de conjuntos
    credit.Datos.Train <- credit[credit.trainIdx, ]
    credit.Datos.Test <- credit[-credit.trainIdx, ]

4.1 Tratamiento de los valores nulos

En primer lugar, veamos si hay valores nulos y cuántos hay en cada columna:

# Una sola línea para contar nulos por columna
colSums(is.na(credit))
##                    Sexo                    Edad                   Deuda 
##                      12                      12                       0 
##            Estado_civil              Es_cliente         Nivel_educativo 
##                       6                       6                       9 
##                   Etnia          Anos_cotizados           Impago_previo 
##                       9                       0                       0 
##                 Trabaja Calificacion_crediticia    Licencia_de_conducir 
##                       0                       0                       0 
##               Ciudadano           Codigo_postal                Ingresos 
##                       0                      13                       0 
##                Aprobado 
##                       0

En una gráfica podemos verlos mejor:

# Visualización de los nulos con gráfico de barras
library(ggplot2)

nulos <- colSums(is.na(credit))
nulos_df <- data.frame(Variable = names(nulos), Nulos = nulos)
nulos_df <- nulos_df[nulos_df$Nulos > 0, ]  # Solo mostrar columnas con nulos

ggplot(nulos_df, aes(x = reorder(Variable, -Nulos), y = Nulos)) +
  geom_bar(stat = "identity", fill = "tomato") +
  labs(title = "Número de valores nulos por variable",
       x = "Variable", y = "Cantidad de NA") +
  theme_minimal() +
  coord_flip()

Vemos que solo 7 de los atributos tienen valores nulos y además la cantidad de estos es muy pequeña (cercano al 1% en todos los casos). Es interesante saber cómo se distribuyen los valores nulos a lo largo de las muestras. Para ello vamos a ver la frecuencia del número de atributos faltantes. Ya trabajamos con los datos de Train, pues no debemos modificar los datos de Test a partir de ahora.

# Número de valores NA por fila
na_por_fila <- rowSums(is.na(credit.Datos.Train ))

# Observaciones con al menos un NA
con_na <- na_por_fila[na_por_fila > 0]
length(con_na)  # ¿Cuántas observaciones tienen al menos un NA?
## [1] 37
# Tabla resumen
table(con_na)
## con_na
##  1  2  3  5 
## 27  2  2  6
# Histograma: cuántos atributos faltan por observación (entre las que tienen algún NA)
library(ggplot2)

ggplot(data.frame(Faltantes = con_na), aes(x = Faltantes)) +
  geom_bar(fill = "steelblue") +
  labs(title = "Nº de atributos faltantes por observación",
       x = "Cantidad de NA",
       y = "Frecuencia") +
  theme_minimal()

Vemos que a la mayoría de muestras con valores NA solo les falta un valor. Sin embargo, también es importante destacar que hay 6 muestras a las cuales les faltan 5 valores.

Como estrategia de limpieza, se han eliminado las observaciones del conjunto de entrenamiento que contenían más de 4 valores nulos. Esta decisión se justifica por el hecho de que esas observaciones presentan información muy incompleta, y su imputación generaría más ruido que beneficio. El resto de las observaciones, con pocos valores faltantes, se conservarán y se decidirá si se inputan o no posteriormente.

# Eliminar observaciones con más de 4 atributos faltantes
credit.Datos.Train <- credit.Datos.Train[na_por_fila <= 4, ]

# Verificamos tamaño tras limpieza
nrow(credit.Datos.Train)
## [1] 547

Los valores nulos deben tratarse adecuadamente antes de entrenar modelos de aprendizaje automático. Las posibles estrategias incluyen:

  • Eliminación de filas: útil si el número de nulos es pequeño y su eliminación no reduce significativamente el tamaño del dataset.

  • Imputación por la media/mediana/moda: recomendable para variables numéricas si el porcentaje de nulos es moderado.

  • Imputación por valor más frecuente: útil en variables categóricas con pocos niveles.

  • Modelado de imputación: usar modelos predictivos (por ejemplo mice, missForest) para estimar los valores faltantes, aunque es más costoso computacionalmente.

En nuestro caso, es probable que la mejor opción sea simplemente eliminar las filas con datos faltantes, pues como hemos visto en la gráfica anterior, hay muy pocos valores nulos en comparación con el número total de muestras que disponemos.

4.1.1 Transformación de los datos

A la hora de transformar los datos hay varias opciones posibles, las cuales hemos comparado para ver los resultados que obteníamos con cada una de ellas:

  • Sin transformaciones: Es la opción más sencilla, que consiste en utilizar las variables directamente como vienen de serie.

  • Transformación logarítmica: Esta transformación es muy útil para variables con una distribución asimétrica positiva (sesgada a la derecha), como ingresos, deuda o puntuaciones de crédito, donde la mayoría de los valores son pequeños pero hay algunos muy grandes.

  • BoxCox: Intenta encontrar la mejor transformación para que una variable siga una distribución normal. La principal limitación es que no acepta valores negativos.

  • Yeo-Johnson: Es una extensión de la transformación Box-Cox que sí permite trabajar con valores negativos y con valores iguales a 0.

Tras probar las 4 alternativas, nos dimos cuenta que no existía una gran diferencia entre ellas, obteniendo la opción sin transformaciones unos resultados prácticamente idénticos al resto para todos los modelos. Es por ello que decidimos proseguir sin introducir transformaciones generales en los datos.

vars_to_transform <- names(credit)[campos_log]

# Iterar sobre cada variable numérica y aplicar logaritmo (log(x + 1))
for (var in vars_to_transform) {
  credit.Datos.Train[[var]] <- log(credit.Datos.Train[[var]] + 1)
  credit.Datos.Test[[var]] <- log(credit.Datos.Test[[var]] + 1)
}

# Limpiar variables temporales
rm(var, vars_to_transform)

4.1.2 Creación y análisis del predictor DeudaRelativa

Hemos pensado en crear la variable DeudaRelativa, que creemos que tiene más sentido que la variable Deuda, pues no es tan importante la deuda que tengas, sino cómo de grande es esta deuda comparada con tus ingresos.

# Crear la nueva variable
credit.Datos.Train$DeudaRelativa <- log(1 + credit.Datos.Train$Deuda / (credit.Datos.Train$Ingresos + 1))
# Boxplot de DeudaRelativa según Aprobado
ggplot(credit.Datos.Train, aes(x = Aprobado, y = DeudaRelativa, fill = Aprobado)) +
  geom_boxplot() +
  labs(title = "Relación Deuda / Ingresos según Aprobación",
       x = "Aprobado",
       y = "DeudaRelativa") +
  theme_minimal()

# Gráfico de densidad por clase
ggplot(credit.Datos.Train, aes(x = DeudaRelativa, fill = Aprobado)) +
  geom_density(alpha = 0.5) +
  labs(title = "Distribución de DeudaRelativa por clase",
       x = "DeudaRelativa",
       y = "Densidad") +
  theme_minimal()

Tanto el boxplot como la función de densidad muestran que los casos aprobados suelen tener una deuda relativa menor, lo que es coherente con que los prestamistas aprueben más fácilmente a quienes tienen un endeudamiento controlado respecto a sus ingresos.

Durante el entrenamiento de los modelos comprobaremos si la inclusión de esta variable reporta alguna mejoría respecto a usar únicamente la deuda bruta.

4.2 Análisis de Componentes Principales (PCA)

PCA es una técnica de análisis de datos utilizada para representar un conjunto de datos multidimensionales mediante un conjunto más reducido de variables generadas como combinaciones lineales de sus componentes. Esto se consigue buscando la proyección según la cual los datos presentan una mayor varianza. En nuestro caso solo 6 de los campos son numéricos. Los campos que antes representábamos en escala logarítmica se pasan también en esta escala. No utilizamos el código postal ya que no es un dato continuo.

    subset_train <- na.omit(credit.Datos.Train)
    subset_train$Deuda <- log10(subset_train$Deuda + 1)
    subset_train$Anos_cotizados <- log10(subset_train$Anos_cotizados + 1)
    subset_train$Calificacion_crediticia <- log10(subset_train$Calificacion_crediticia + 1)
    subset_train$Ingresos <- log10(subset_train$Ingresos + 1)
    pca <- subset_train[c("Edad", "Deuda", "Anos_cotizados", "Calificacion_crediticia", "Ingresos")]

Mediante un gráfico de dispersión vemos las distribuciones de las dos primerascomponentes calculadas diferenciando según Aprobado.

pca_res <- prcomp(pca, scale = TRUE)
pca_df = as.data.frame(pca_res$x,stringsAsFactors=F)
pca_df = cbind(Aprobado = subset_train$Aprobado,pca_df)

ggplot(pca_df, aes(PC1, PC2)) + 
     modelr::geom_ref_line(h = 0) +
     modelr::geom_ref_line(v = 0) +
     geom_point(aes(color = Aprobado), size = 2, position='jitter',alpha = 0.4) +
     xlab("First Principal Component") + 
     ylab("Second Principal Component") + 
     ggtitle("First Two Principal Components of Credit Data")

Como vemos, la componente PC1 parece un buen predictor. Podemos visualizar su dispersión en el siguiente gráfico y utilizar su matriz de confusión para ver su rendimiento como predictor.

    ggplot(pca_df, aes(x = PC1, fill = Aprobado)) +
    geom_density(alpha = 0.5) +
    labs(title = "Distribución de PC1 según Aprobado",
        x = "PC1",
        y = "Densidad") +
    theme_minimal()

    pca_df$Prediccion_simple <- ifelse(pca_df$PC1 > 0.2, "Aprobado", "Rechazado")
    
    conf_mat <- table(Real = pca_df$Aprobado, Predicho = pca_df$Prediccion_simple)
    conf_df <- as.data.frame(conf_mat)

    conf_df <- conf_df %>%
        mutate(Tipo = case_when(
        Real == "Aprobado" & Predicho == "Aprobado" ~ "Verdadero Positivo",
        Real == "Rechazado" & Predicho == "Aprobado" ~ "Falso Positivo",
        Real == "Rechazado" & Predicho == "Rechazado" ~ "Verdadero Negativo",
        Real == "Aprobado" & Predicho == "Rechazado" ~ "Falso Negativo"
        ))

    ggplot(conf_df, aes(x = Predicho, y = Real, fill = Freq)) +
    geom_tile(color = "white") +
    geom_text(aes(label = paste0(Freq, "\n", Tipo)), size = 4) +
    scale_fill_gradient(low = "white", high = "steelblue") +
    labs(title = "Matriz de confusión para predictor basado en PC1",
        x = "Predicción", y = "Clase real", fill = "Frecuencia") +
    theme_minimal()

Este predictor acierta en el 75% de los casos.

De la componente PC1 podemos saber también cómo se calcula a partir de los campos numéricos originales:

    loadings <- pca_res$rotation
    loadings[,1]
##                    Edad                   Deuda          Anos_cotizados 
##               0.3852499               0.4133991               0.4942834 
## Calificacion_crediticia                Ingresos 
##               0.5416320               0.3781566

Las seis componentes aparecen ordenadas según la proporción de la varianza explicada (PVE). La PVE de un componente coincide con la proporción del autovalor m-ésimo… (TODO)

5 Modelado y entrenamiento

Terminados el análisis y el preprocesado de los datos pasamos al entrenamiento de los modelos.

5.1 Modelos seleccionados

Seleccionamos la variable que vamos a usar como salida (Aprobado) y el resto se utilizarán como entrada.

credit_esfuerzo <- credit.Datos.Train
credit_esfuerzo$Esfuerzo_financiero <- log10(credit.Datos.Train$Deuda + 1) + log10(credit.Datos.Train$Anos_cotizados + 1)  + abs(log10(credit.Datos.Train$Ingresos + 1)-1)*0.375

credit_no_na<- na.omit(credit.Datos.Train)
credit_no_na_esfuerzo <- na.omit(credit_esfuerzo)
credit.Var.Salida.Usada <- c("Aprobado")
credit.Vars.Entrada.Usadas <- setdiff(names(credit.Datos.Train), credit.Var.Salida.Usada)
credit.Vars.Entrada.Usadas2 <- setdiff(names(credit_esfuerzo), credit.Var.Salida.Usada)

Probamos el preprocesado imputando por la mediana (numericas) y la moda (categóricas)

# Copia del dataset original
df_rf <- credit.Datos.Train

# Asegurarse de que la variable de salida es factor
df_rf[[credit.Var.Salida.Usada]] <- as.factor(df_rf[[credit.Var.Salida.Usada]])

# 1. Variables numéricas: imputar con la mediana
vars_numericas <- names(df_rf)[sapply(df_rf, is.numeric)]
for (var in vars_numericas) {
  if (anyNA(df_rf[[var]])) {
    med <- median(df_rf[[var]], na.rm = TRUE)
    df_rf[[var]][is.na(df_rf[[var]])] <- med
  }
}

# 2. Variables categóricas: imputar con la moda
vars_categoricas <- names(df_rf)[sapply(df_rf, is.character) | sapply(df_rf, is.factor)]
moda <- function(x) names(which.max(table(x)))
for (var in vars_categoricas) {
  if (anyNA(df_rf[[var]])) {
    mod <- moda(df_rf[[var]][!is.na(df_rf[[var]])])
    df_rf[[var]][is.na(df_rf[[var]])] <- mod
  }
  df_rf[[var]] <- as.factor(df_rf[[var]])
}

# Resultado: df_rf ya tiene todos los NA imputados
sum(is.na(df_rf))  # debe ser 0
## [1] 0

5.1.1 Rpart

Como primera aproximación a la tarea de clasificación, nos pareció interesante usar una técnica sencilla como lo son los árboles de decisión. El objetivo de este ataque, más que obtener una solución final, es establecer un clasificador base contra el que contrastar resultados porsteriores que obtendremos con otros modelos.

library(rpart)

set.seed(155)

tree_model <- train(
  credit_no_na[credit.Vars.Entrada.Usadas],
  credit_no_na[[credit.Var.Salida.Usada]],
  method = "rpart",
  metric = "Accuracy",
  tuneLength = 10
)

tree_model
## CART 
## 
## 516 samples
##  16 predictor
##   2 classes: 'Aprobado', 'Rechazado' 
## 
## No pre-processing
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 516, 516, 516, 516, 516, 516, ... 
## Resampling results across tuning parameters:
## 
##   cp          Accuracy   Kappa    
##   0.00000000  0.8414308  0.6808418
##   0.07943262  0.8713235  0.7439150
##   0.15886525  0.8713235  0.7439150
##   0.23829787  0.8713235  0.7439150
##   0.31773050  0.8713235  0.7439150
##   0.39716312  0.8713235  0.7439150
##   0.47659574  0.8713235  0.7439150
##   0.55602837  0.8713235  0.7439150
##   0.63546099  0.8583286  0.7128778
##   0.71489362  0.6532674  0.2610764
## 
## Accuracy was used to select the optimal model using the largest value.
## The final value used for the model was cp = 0.5560284.
# rpart.plot(tree_model$finalModel, type = 2, extra = 104, fallen.leaves = TRUE, main = "Árbol de Decisión (rpart)")
varImp(tree_model)
## rpart variable importance
## 
##                         Overall
## Impago_previo            100.00
## Calificacion_crediticia   42.91
## Trabaja                   34.46
## Anos_cotizados            27.50
## Ingresos                  26.01
## Licencia_de_conducir       0.00
## DeudaRelativa              0.00
## Etnia                      0.00
## Deuda                      0.00
## Es_cliente                 0.00
## Edad                       0.00
## Codigo_postal              0.00
## Nivel_educativo            0.00
## Estado_civil               0.00
## Ciudadano                  0.00
## Sexo                       0.00
tree_model$finalModel$variable.importance
##           Impago_previo Calificacion_crediticia                 Trabaja 
##               143.67623                55.35068                55.35068 
##          Anos_cotizados         Nivel_educativo                Ingresos 
##                47.69580                34.15255                33.56371

Hemos hecho uso de rpart, con un tuneLength de 10. Hemos probado distintos valores de este hiperparámetro, pero los resultados que se obtienen son casi siempre los mismos. Con este método, el único hiperpárametro a modificar es el de complejidad cp, que toma valores entre 0 y 1. Pues bien, para todo valor entre 0.018 y 0.714, el árbol que se obtiene es exactamente el mismo.

Evaluando los resultados obtenidos, nos damos cuenta que el árbol encontrado con mejor accuracy no es otro que el decisor que ya habíamos considerado en la fase de análisis exploratorio: si existe impago previo se rechaza la solicitud, si no, se aprueba.

5.1.2 Random Forest (ranger)

El siguiente modelo que vamos a utilizar es Random Forest. Los Bosques Aleatorios son una técnica de aprendizaje automático que opera construyendo múltiples árboles de decisión durante el entrenamiento y generando la clase que es elegida con mayor frecuencia en todos los árboles individuales para la clasificación.

En concreto usamos ranger que está dentro de la librería caret. La razón principal para elegir ranger es su eficiencia. ranger es conocida por ser una de las implementaciones más rápidas de Bosques Aleatorios disponibles en R, o que nos permitirá entrenar modelos de Bosques Aleatorios en grandes conjuntos de datos de manera eficiente.

Los dos hiperparámetros más influyentes para optimizar el rendimiento del modelo son mtry y splitrule:

  • mtry: Controla el número de variables predictoras que se consideran aleatoriamente en cada división de un nodo al construir un árbol individual.

  • splitrule Define el criterio utilizado para decidir cómo se realiza la mejor división en cada nodo de un árbol. Las opciones disponibles para esta parámetro son:

    • gini (por defecto): Utiliza el índice de Gini para medir la impureza.

    • extratrees: Implementa el algoritmo de “Extremely Randomized Trees”. En lugar de buscar la mejor división para cada variable (como lo hace Gini), elige puntos de división aleatorios para cada variable y luego selecciona la mejor de estas divisiones aleatorias.

Además, utilizando un tuneLength de 15 ya podemos comprobar todas las combinaciones posibles de hiperparámetros en nuestro caso. Para el parámetro num.trees hemos probado con valores desde 50 hasta 1000 y no hemos obtenido diferencias notables en los valores en este rango, por lo que decidimos utilizar 50 ya que el tiempo de computación es mucho menor.

Realizamos el entrenamiento:

n_reps=3
n_folds=10
set.seed(68)


fitControl <- trainControl(
  method = "repeatedcv",
  number = n_folds,
  repeats = n_reps,
  verboseIter = FALSE,
  # index = foldIndexes,
  # seeds = seeds,
  #summaryFunction = twoClassSummary,
  #classProbs = TRUE
)


# cl <- makeCluster(detectCores()-1)
# registerDoParallel(cl)

# set.seed(1234)

credit.ranger <- train(
  credit_no_na_esfuerzo[credit.Vars.Entrada.Usadas2],  
  credit_no_na_esfuerzo[[credit.Var.Salida.Usada]],   
  method = "ranger",                  
  verbose = FALSE,
  tuneLength = 15,                    
  trControl = fitControl,         
  num.trees = 50,                     
  importance = 'impurity'            
)

# stopImplicitCluster()
# stopCluster(cl)
# registerDoSEQ()

credit.ranger
## Random Forest 
## 
## 516 samples
##  17 predictor
##   2 classes: 'Aprobado', 'Rechazado' 
## 
## No pre-processing
## Resampling: Cross-Validated (10 fold, repeated 3 times) 
## Summary of sample sizes: 465, 465, 464, 465, 464, 465, ... 
## Resampling results across tuning parameters:
## 
##   mtry  splitrule   Accuracy   Kappa    
##    2    gini        0.8747904  0.7465095
##    2    extratrees  0.8767526  0.7513465
##    3    gini        0.8832252  0.7644264
##    3    extratrees  0.8741382  0.7464866
##    4    gini        0.8837047  0.7659658
##    4    extratrees  0.8760608  0.7505988
##    5    gini        0.8792166  0.7570665
##    5    extratrees  0.8806364  0.7601302
##    6    gini        0.8805243  0.7598979
##    6    extratrees  0.8825092  0.7636249
##    7    gini        0.8850989  0.7686884
##    7    extratrees  0.8831135  0.7649698
##    8    gini        0.8798702  0.7585909
##    8    extratrees  0.8747415  0.7478311
##    9    gini        0.8838541  0.7666950
##    9    extratrees  0.8799200  0.7585079
##   10    gini        0.8792915  0.7575712
##   10    extratrees  0.8773675  0.7533930
##   11    gini        0.8844951  0.7680942
##   11    extratrees  0.8779843  0.7546156
##   12    gini        0.8806103  0.7598348
##   12    extratrees  0.8773931  0.7534839
##   13    gini        0.8812900  0.7616498
##   13    extratrees  0.8799214  0.7585329
##   14    gini        0.8793167  0.7573789
##   14    extratrees  0.8818561  0.7627214
##   15    gini        0.8838169  0.7665777
##   15    extratrees  0.8779722  0.7544814
##   17    gini        0.8832010  0.7652877
##   17    extratrees  0.8805112  0.7594764
## 
## Tuning parameter 'min.node.size' was held constant at a value of 1
## Accuracy was used to select the optimal model using the largest value.
## The final values used for the model were mtry = 7, splitrule = gini
##  and min.node.size = 1.
varImp(credit.ranger)
## ranger variable importance
## 
##                          Overall
## Impago_previo           100.0000
## Calificacion_crediticia  28.5199
## Anos_cotizados           14.8403
## Codigo_postal            14.1270
## Ingresos                 13.7937
## DeudaRelativa            12.5620
## Esfuerzo_financiero      11.9577
## Trabaja                  11.6785
## Deuda                    11.6035
## Edad                     10.9964
## Nivel_educativo           9.4875
## Etnia                     2.9444
## Estado_civil              1.7413
## Ciudadano                 0.1966
## Licencia_de_conducir      0.1883
## Sexo                      0.1683
## Es_cliente                0.0000

Obtenemos una accuracy de 88.38, utilizando mtry=14 y splitrule = extratrees.

También nos damos cuenta que, como ocurría en rpart, la variable de mayor importancia es Impago previo. También le da bastante importancia a las variable añadidas por nosotros (Esfuerzo_financiero y DeudaRelativa), lo cual nos hace pensar que ha sido una buena inclusión.

5.1.3 Gradient Boosting Machine

Gradient boosting (o potenciación del gradiente en castellano) funciona construyendo un conjunto de modelos predictivos que ejecutan decisiones simples sobre los datos. Estos decisores son normalmente árboles de decisión, aunque también puede emplear métodos de regresión lineal, splines o redes neuronales poco profundas, entre otros.

La justificación en el uso de árboles radica en su flexibilidad tratando todo tipo de datos: numéricos y categóricos, capacidad para capturar interacciones entre variables, eficiencia computacional e interpretabilidad.

Gbm produce nuevos modelos de forma secuencial, buscando minimizar en cada iteración una función de pérdida arbitraria que mide la diferencia entre las predicciones y los valores reales. El nuevo modelo se austa a los “pseudo-residuales”, que son los gradientes negativos de la función de pérdida con respecto a las predicciones actuales. Este proceder es lo que le da el nombre de “gradient”, pues lo que se hace en esencia es minimizar en la dirección que más decrece el gradiente de la función de pérdidas.

Escogemos gbm ya que:

  • Permite trabajar con combinaciones de datos numéricos y categóricos.

  • Captación de relaciones entre componentes, tal cual lo hacen otras técnicas que usan árboles de decisión.

  • Perfecto para clasificación binaria con la función de pérdida de desviación binaria (por defecto).

En primer lugar, vamos a definir un grid de hiperparámetros para encontrar las condiciones ideales con las que utilizar gbm. Vamos a hacer una exploración para el número de árboles, para la profundidad máxima de los mismos, la tasa de aprendizaje y mínimo de observaciones por nodo. También fijamos una semilla para poder recrear los resultados.

library(caret)
set.seed(610)

gbm_grid <- expand.grid(
  n.trees = c(100, 200, 300),
  interaction.depth = c(3, 5, 7),
  shrinkage = c(0.01, 0.02, 0.03),
  n.minobsinnode = c(15, 20, 25)
)

n_folds <- 10
n_reps <- 3

Posteriormente, definimos el control de entrenamiento para determinar cómo realizar la validación cruzada y qué metricas usar para evaluar la combinación de los hiperparámetros. Vamos a utilizar validación cruzada repetiva con 10 folds y 3 repeticiones.

fitControl <- trainControl(
  method = "repeatedcv",
  number = n_folds,
  repeats = n_reps,
  allowParallel = TRUE
)

Finalmente, realizamos el entrenamiento del modelo, especificando la columna de salida “Aprobado”.

gbm_modelo <- train(
  credit_no_na_esfuerzo[credit.Vars.Entrada.Usadas2],
  credit_no_na_esfuerzo[[credit.Var.Salida.Usada]], 
  method = "gbm",
  trControl = fitControl,
  tuneGrid = gbm_grid,
  verbose = FALSE
)

gbm_modelo
## Stochastic Gradient Boosting 
## 
## 516 samples
##  17 predictor
##   2 classes: 'Aprobado', 'Rechazado' 
## 
## No pre-processing
## Resampling: Cross-Validated (10 fold, repeated 3 times) 
## Summary of sample sizes: 465, 465, 464, 465, 465, 463, ... 
## Resampling results across tuning parameters:
## 
##   shrinkage  interaction.depth  n.minobsinnode  n.trees  Accuracy   Kappa    
##   0.01       3                  15              100      0.8725564  0.7453006
##   0.01       3                  15              200      0.8718897  0.7433439
##   0.01       3                  15              300      0.8713232  0.7415763
##   0.01       3                  20              100      0.8751582  0.7507763
##   0.01       3                  20              200      0.8745167  0.7488527
##   0.01       3                  20              300      0.8739003  0.7471062
##   0.01       3                  25              100      0.8751456  0.7510133
##   0.01       3                  25              200      0.8758364  0.7517458
##   0.01       3                  25              300      0.8726308  0.7445200
##   0.01       5                  15              100      0.8731727  0.7460798
##   0.01       5                  15              200      0.8771059  0.7536044
##   0.01       5                  15              300      0.8771185  0.7529725
##   0.01       5                  20              100      0.8751703  0.7504154
##   0.01       5                  20              200      0.8758118  0.7511628
##   0.01       5                  20              300      0.8764900  0.7519052
##   0.01       5                  25              100      0.8739138  0.7485245
##   0.01       5                  25              200      0.8751577  0.7504006
##   0.01       5                  25              300      0.8809903  0.7613649
##   0.01       7                  15              100      0.8725438  0.7446302
##   0.01       7                  15              200      0.8777223  0.7547378
##   0.01       7                  15              300      0.8810410  0.7608579
##   0.01       7                  20              100      0.8777595  0.7555168
##   0.01       7                  20              200      0.8758364  0.7512548
##   0.01       7                  20              300      0.8823840  0.7639828
##   0.01       7                  25              100      0.8739013  0.7485389
##   0.01       7                  25              200      0.8732346  0.7464748
##   0.01       7                  25              300      0.8751954  0.7496160
##   0.02       3                  15              100      0.8745167  0.7487243
##   0.02       3                  15              200      0.8726304  0.7438862
##   0.02       3                  15              300      0.8739506  0.7460681
##   0.02       3                  20              100      0.8718902  0.7434631
##   0.02       3                  20              200      0.8732965  0.7451470
##   0.02       3                  20              300      0.8726429  0.7434600
##   0.02       3                  25              100      0.8751828  0.7504930
##   0.02       3                  25              200      0.8758485  0.7504172
##   0.02       3                  25              300      0.8732970  0.7447035
##   0.02       5                  15              100      0.8732346  0.7459400
##   0.02       5                  15              200      0.8758983  0.7502923
##   0.02       5                  15              300      0.8765268  0.7512728
##   0.02       5                  20              100      0.8713116  0.7421733
##   0.02       5                  20              200      0.8758737  0.7503251
##   0.02       5                  20              300      0.8739511  0.7458801
##   0.02       5                  25              100      0.8764528  0.7529004
##   0.02       5                  25              200      0.8720270  0.7426087
##   0.02       5                  25              300      0.8732849  0.7444702
##   0.02       7                  15              100      0.8815941  0.7624446
##   0.02       7                  15              200      0.8732598  0.7447956
##   0.02       7                  15              300      0.8713362  0.7407558
##   0.02       7                  20              100      0.8770813  0.7535443
##   0.02       7                  20              200      0.8764407  0.7512114
##   0.02       7                  20              300      0.8720270  0.7419434
##   0.02       7                  25              100      0.8757987  0.7516034
##   0.02       7                  25              200      0.8784382  0.7553664
##   0.02       7                  25              300      0.8739636  0.7459908
##   0.03       3                  15              100      0.8680808  0.7352989
##   0.03       3                  15              200      0.8681180  0.7343963
##   0.03       3                  15              300      0.8661950  0.7300794
##   0.03       3                  20              100      0.8720145  0.7431420
##   0.03       3                  20              200      0.8752452  0.7486849
##   0.03       3                  20              300      0.8694131  0.7367265
##   0.03       3                  25              100      0.8719656  0.7431000
##   0.03       3                  25              200      0.8739632  0.7461680
##   0.03       3                  25              300      0.8662332  0.7302331
##   0.03       5                  15              100      0.8719898  0.7423975
##   0.03       5                  15              200      0.8739255  0.7460197
##   0.03       5                  15              300      0.8713860  0.7405829
##   0.03       5                  20              100      0.8758746  0.7504234
##   0.03       5                  20              200      0.8732965  0.7443971
##   0.03       5                  20              300      0.8707082  0.7387947
##   0.03       5                  25              100      0.8771683  0.7536364
##   0.03       5                  25              200      0.8752336  0.7484321
##   0.03       5                  25              300      0.8681055  0.7337088
##   0.03       7                  15              100      0.8771436  0.7527946
##   0.03       7                  15              200      0.8726932  0.7434845
##   0.03       7                  15              300      0.8713739  0.7403703
##   0.03       7                  20              100      0.8810154  0.7610062
##   0.03       7                  20              200      0.8713609  0.7404728
##   0.03       7                  20              300      0.8700416  0.7379130
##   0.03       7                  25              100      0.8732602  0.7456170
##   0.03       7                  25              200      0.8739883  0.7461621
##   0.03       7                  25              300      0.8733226  0.7447578
## 
## Accuracy was used to select the optimal model using the largest value.
## The final values used for the model were n.trees = 300, interaction.depth =
##  7, shrinkage = 0.01 and n.minobsinnode = 20.

El resultado óptimo de accuracy (0.8823840) se ha obtenido con los siguiente parámetros:

  • n.trees = 300

  • interaction.depth = 7

  • shrinkage = 0.01

  • n.minobsinnode = 20

Al dar como resultado una profundidad de 7, sabemos que el árbol final de decisión utiliza siete comprobaciones para la clasificación. Podemos ver la evolución de la acurracy en función de la tasa de aprendizaje y el resto de variables con la siguientes gráficas:

plot(gbm_modelo, metric = "Accuracy", plotType = "scatter", ylim = c(0.85, 0.89))

En lo relativo a la importancia de las variables, podemos observarla ejecutando el siguiente comando:

# varImp.gbm(gbm_modelo)

Nuevamente, el impago previo es la variable más determinante, de ahí que se esté tomando una profundidad de 1. Los predictores se están haciendo con este campo.

5.1.4 Multi Layer Perceptron

Finalmente, queremos entrenar también un MLP para predecir la variable Aprobado. Para esto hacemos uso de la librería nnet.

Dada la gran importancia del campo Impago_previo, decidimos añadir un nuevo atributo al dataset, llamado Impago_previo_num. Este campo es sencillamente una transformación de Impago_previo a un campo numérico, para poder pasárselo como entrada a nuestro MLP.

credit_copy <- credit
credit_copy$Impago_previo_num <- ifelse(credit_copy$Impago_previo == "f", 1, 0)
campos_numericos_nuevo <- c(campos_numericos, 17)

# Separación de conjuntos
credit_copy_train <- credit_copy[credit.trainIdx, ]
credit_copy_test <- credit_copy[-credit.trainIdx, ]

A continuación, elegimos los campos que usaremos como entrada para el modelo. Experimentando con los datos de entrada, nos sorprendió ver que se producía una ligera disminución en Accuracy cuando se elimina de los datos de entrada del modelo el campo Codigo_postal. Esperábamos que este no aportara ningún valor como campo numérico. Sin embargo, dado que parece producir una pequeña mejora, lo hemos conservado.

mlp_inputs <- campos_numericos_nuevo
campos_numericos_nuevo
## [1]  2  3  8 11 14 15 17
mlp_inputs_no_cp <- c(2, 3, 8, 11, 15, 17)
if (!requireNamespace("nnet", quietly = TRUE)) install.packages("nnet")
library(nnet)

credit_no_na <- credit_copy_train
#tomamos logaritmo de variables en campos_log
credit_log <- credit_no_na
credit_log[campos_log] <- log(credit_log[campos_log] + 1)
#credit_log[11] <- log(credit_log[11] + 1)


campos_numericos
## [1]  2  3  8 11 14 15
credit_scaled <- credit_log
credit_scaled[campos_numericos_nuevo] <- scale(credit_scaled[campos_numericos_nuevo])

sum(is.na(credit_scaled))
## [1] 67
set.seed(123)
ctrl <- trainControl(method = "cv", number = 10)

mlp_cv <- train(
  credit_scaled[mlp_inputs],
  credit_scaled[["Aprobado"]],
  method = "nnet",
  trControl = ctrl,
  tuneGrid = expand.grid(
    size = c(3, 5, 7, 9, 11),
    decay = c(0, 0.003, 0.01, 0.03, 0.1, 0.3, 1)
  ),
  maxit = 200,
  trace = FALSE
)

print(mlp_cv)
## Neural Network 
## 
## 553 samples
##   7 predictor
##   2 classes: 'Aprobado', 'Rechazado' 
## 
## No pre-processing
## Resampling: Cross-Validated (10 fold) 
## Summary of sample sizes: 498, 497, 498, 499, 497, 498, ... 
## Resampling results across tuning parameters:
## 
##   size  decay  Accuracy   Kappa    
##    3    0.000  0.8579588  0.7130359
##    3    0.003  0.8677744  0.7339168
##    3    0.010  0.8697509  0.7367246
##    3    0.030  0.8657018  0.7282242
##    3    0.100  0.8582152  0.7138292
##    3    0.300  0.8735641  0.7453594
##    3    1.000  0.8696880  0.7378026
##    5    0.000  0.8473018  0.6913189
##    5    0.003  0.8465796  0.6895625
##    5    0.010  0.8411567  0.6769674
##    5    0.030  0.8450635  0.6874692
##    5    0.100  0.8744975  0.7471914
##    5    0.300  0.8732116  0.7443941
##    5    1.000  0.8716111  0.7418228
##    7    0.000  0.8111124  0.6161436
##    7    0.003  0.8468978  0.6919731
##    7    0.010  0.8476945  0.6915572
##    7    0.030  0.8632025  0.7245327
##    7    0.100  0.8733462  0.7443172
##    7    0.300  0.8809454  0.7602434
##    7    1.000  0.8716111  0.7418228
##    9    0.000  0.8316251  0.6579711
##    9    0.003  0.8111950  0.6188267
##    9    0.010  0.8424753  0.6814759
##    9    0.030  0.8396532  0.6770365
##    9    0.100  0.8577691  0.7131337
##    9    0.300  0.8788756  0.7561605
##    9    1.000  0.8696880  0.7380806
##   11    0.000  0.8207778  0.6391523
##   11    0.003  0.8296446  0.6555545
##   11    0.010  0.8296295  0.6547494
##   11    0.030  0.8376398  0.6721698
##   11    0.100  0.8725904  0.7428795
##   11    0.300  0.8770615  0.7524354
##   11    1.000  0.8696880  0.7380806
## 
## Accuracy was used to select the optimal model using the largest value.
## The final values used for the model were size = 7 and decay = 0.3.
plot(mlp_cv)

6 Comparación de modelos

credit.trainCtrl.3cv10.resampAll <- trainControl(
method = "repeatedcv"
,number = 10 ,repeats = 3, 
verboseIter=F, 
returnResamp = "all"
)

credit.comparison.rpart<- suppressWarnings(train(credit.Datos.Train[credit.Vars.Entrada.Usadas],
                                 credit.Datos.Train[[credit.Var.Salida.Usada]], 
                                 method='rpart',
                                 metric = "Accuracy",
                                 tuneLength = 10,
                                 trControl = credit.trainCtrl.3cv10.resampAll
                                 ))


credit.comparison.gbm <- suppressWarnings(train(
  credit_no_na_esfuerzo[credit.Vars.Entrada.Usadas2],
  credit_no_na_esfuerzo[[credit.Var.Salida.Usada]], 
  method = 'gbm',
  tuneGrid = gbm_grid,
  verbose = FALSE,
  #metric = "ROC",
  trControl = credit.trainCtrl.3cv10.resampAll,
  bag.fraction = 0.75
))


credit.comparison.ranger <- suppressWarnings(train(
  credit_no_na_esfuerzo[credit.Vars.Entrada.Usadas2],
  credit_no_na_esfuerzo[[credit.Var.Salida.Usada]],  
  method = 'ranger',
  verbose = FALSE,
  metric = "Accuracy",
  tuneLength = 15,
  trControl = credit.trainCtrl.3cv10.resampAll
))

credit.comparison.mlp <- suppressWarnings(train(
  credit_scaled[mlp_inputs],
  credit_scaled[["Aprobado"]],
  method = "nnet",
  trControl = credit.trainCtrl.3cv10.resampAll,
  tuneGrid = expand.grid(
    size = c(3, 5, 7, 9, 11),
    decay = c(0, 0.003, 0.01, 0.03, 0.1, 0.3, 1)
  ),
  maxit = 200,
  trace = FALSE
))
models <- list(rpart = credit.comparison.rpart, gbm = credit.comparison.gbm, ranger = credit.comparison.ranger, mlp = credit.comparison.mlp)
credit.rsamp.comparison <- resamples(models)
## Warning in resamples.default(models): 'rpart' did not have
## 'returnResamp="final"; the optimal tuning parameters are used
## Warning in resamples.default(models): 'gbm' did not have 'returnResamp="final";
## the optimal tuning parameters are used
## Warning in resamples.default(models): 'ranger' did not have
## 'returnResamp="final"; the optimal tuning parameters are used
## Warning in resamples.default(models): 'mlp' did not have 'returnResamp="final";
## the optimal tuning parameters are used
summary(credit.rsamp.comparison)
## 
## Call:
## summary.resamples(object = credit.rsamp.comparison)
## 
## Models: rpart, gbm, ranger, mlp 
## Number of resamples: 30 
## 
## Accuracy 
##             Min.   1st Qu.    Median      Mean   3rd Qu.      Max. NA's
## rpart  0.7818182 0.8340909 0.8624579 0.8666234 0.8909091 0.9629630    0
## gbm    0.8039216 0.8634050 0.8846154 0.8837201 0.9019608 0.9607843    0
## ranger 0.7647059 0.8696267 0.8857039 0.8862591 0.9171380 0.9615385    0
## mlp    0.7547170 0.8468795 0.8727273 0.8737478 0.9052068 0.9814815    0
## 
## Kappa 
##             Min.   1st Qu.    Median      Mean   3rd Qu.      Max. NA's
## rpart  0.5686275 0.6630400 0.7241759 0.7297407 0.7802197 0.9250000    0
## gbm    0.6100917 0.7204973 0.7678571 0.7662663 0.8027842 0.9208075    0
## ranger 0.5285054 0.7409165 0.7710700 0.7718821 0.8327037 0.9230769    0
## mlp    0.5130742 0.6897666 0.7416078 0.7461013 0.8081977 0.9626556    0
x11()
dotplot(credit.rsamp.comparison, metric = "Accuracy",
    scales =list(x = list(relation = "free")))

7 Selección del modelo final

Justifica por qué se selecciona ese modelo final y qué rendimiento tiene sobre el conjunto de test.

credit.Datos.Test$DeudaRelativa <- log(1 + credit.Datos.Test$Deuda / (credit.Datos.Test$Ingresos + 1))
credit.Datos.Test$Esfuerzo_financiero <- log10(credit.Datos.Test$Deuda + 1) + log10(credit.Datos.Test$Anos_cotizados + 1)  + abs(log10(credit.Datos.Test$Ingresos + 1)-1)*0.375
preds<-predict(gbm_modelo,
            newdata=credit.Datos.Test[credit.Vars.Entrada.Usadas2])

table(Predicho = preds, Real = credit.Datos.Test[[credit.Var.Salida.Usada]])
##            Real
## Predicho    Aprobado Rechazado
##   Aprobado        54        13
##   Rechazado        7        63
# caret::confusionMatrix(preds, credit.Datos.Test[[credit.Var.Salida.Usada]], positive = "Positivo", mode = "prec_recall" )
# confusionMatrix(preds, credit.Datos.Test[[credit.Var.Salida.Usada]], positive = "Positivo", mode = "prec_recall" )

8 Conclusiones

Resumen de hallazgos, aprendizajes y posibles mejoras.

Puedes incluir comentarios subjetivos sobre el proceso, dificultades, o ideas para prácticas futuras.

9 Anexos

sessionInfo()
## R version 4.5.0 (2025-04-11)
## Platform: x86_64-pc-linux-gnu
## Running under: Ubuntu 24.04.2 LTS
## 
## Matrix products: default
## BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.12.0 
## LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.12.0  LAPACK version 3.12.0
## 
## locale:
##  [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8    
##  [5] LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
##  [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       
## 
## time zone: Europe/Madrid
## tzcode source: system (glibc)
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] nnet_7.3-20     rpart_4.1.24    GGally_2.2.1    gridExtra_2.3  
##  [5] lubridate_1.9.4 forcats_1.0.0   stringr_1.5.1   dplyr_1.1.4    
##  [9] purrr_1.0.4     readr_2.1.5     tidyr_1.3.1     tibble_3.2.1   
## [13] tidyverse_2.0.0 caret_7.0-1     lattice_0.22-5  ggplot2_3.5.2  
## 
## loaded via a namespace (and not attached):
##  [1] tidyselect_1.2.1     timeDate_4041.110    farver_2.1.2        
##  [4] fastmap_1.2.0        pROC_1.18.5          digest_0.6.37       
##  [7] timechange_0.3.0     lifecycle_1.0.4      survival_3.8-3      
## [10] magrittr_2.0.3       compiler_4.5.0       rlang_1.1.6         
## [13] sass_0.4.10          tools_4.5.0          yaml_2.3.10         
## [16] data.table_1.17.4    knitr_1.50           labeling_0.4.3      
## [19] plyr_1.8.9           RColorBrewer_1.1-3   withr_3.0.2         
## [22] grid_4.5.0           stats4_4.5.0         e1071_1.7-16        
## [25] future_1.49.0        globals_0.18.0       scales_1.4.0        
## [28] iterators_1.0.14     MASS_7.3-65          cli_3.6.5           
## [31] rmarkdown_2.29       generics_0.1.4       future.apply_1.11.3 
## [34] modelr_0.1.11        reshape2_1.4.4       tzdb_0.5.0          
## [37] proxy_0.4-27         cachem_1.1.0         splines_4.5.0       
## [40] parallel_4.5.0       vctrs_0.6.5          hardhat_1.4.1       
## [43] Matrix_1.7-3         jsonlite_2.0.0       hms_1.1.3           
## [46] listenv_0.9.1        foreach_1.5.2        gower_1.0.2         
## [49] jquerylib_0.1.4      recipes_1.3.1        glue_1.8.0          
## [52] parallelly_1.44.0    ggstats_0.9.0        codetools_0.2-19    
## [55] stringi_1.8.7        gtable_0.3.6         pillar_1.10.2       
## [58] htmltools_0.5.8.1    ipred_0.9-15         randomForest_4.7-1.2
## [61] gbm_2.2.2            lava_1.8.1           R6_2.6.1            
## [64] doParallel_1.0.17    evaluate_1.0.3       backports_1.5.0     
## [67] broom_1.0.8          bslib_0.9.0          class_7.3-23        
## [70] Rcpp_1.0.14          nlme_3.1-168         prodlim_2025.04.28  
## [73] ranger_0.17.0        xfun_0.52            ModelMetrics_1.2.2.2
## [76] pkgconfig_2.0.3